基于地理标签和用户评论情感分析的兴趣点推荐模型

发布时间：2022-01-26 15:07

　　近些年,商品推荐模型越来越多的融入了用户个人相关信息,这些信息有效的增强了用户与商品之间的粘合度,提高了推荐的准确度。基于用户信息的个性化推荐算法已经成为重点研究方向,针对于不同类别的用户,推荐结果也呈现多样性,其中基于地域划分和情感分析的推荐方法逐渐体现出越来越重要的地位。地理区域的不同影响着用户兴趣的变化。同时,时间因素对于评论情感的极性的变化有着一定的影响,进而影响着用户的抉择,一些研究没有着重考虑这些问题。针对于上述问题,本文的主要工作包括以下4点:1.提出了基于地理标签和用户评论情感分析的兴趣点推荐模型（Point-of-Interest Recommendation Model Based on Geo-Tagging and Sentiment Analysis of User Reviews,GTSA）,实现了用户的本地和外地推荐。2.通过对兴趣点内容描述文本信息的扩充,实现了兴趣点之间相似性的度量,从而构建出基于内容的推荐模型。3.提出了一套对于无标签评论数据情感挖掘的方法,从而获得兴趣点评论的情感极性偏好,并将时间窗口和用户评论的情感值结合,分析得出兴趣点整体评论的... 

【文章来源】：河北大学河北省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

文章框架

第二章相关研究技术和基础理论知识9图2-1基于内容的推荐图2-1给出了CB方法的例子。该例子中以手机推荐为例，首先对手机进行特征提取，图中手机特征包括了品牌名称、内存大小，其他特征还包括手机屏幕的大孝处理器的类型和电池等等。本例中以前两者为推荐依据。通过对用户A的挖掘发现，该用户喜爱苹果品牌，并且喜爱内存大手机，而手机D的特征与用户A的喜好相符所以把手机D推荐给用户A。同样的，手机D的特征与用户B和用户C的喜好特点不相符，所以不会推荐给用户B和C。CB方法其推荐过程大概包括3个步骤：1.根据每个商品的内容描述信息抽取特征以此表示该商品；2.根据用户的历史记录挖掘用户的喜好特征；3.根据用户的喜好特征，选择商品集中与用户喜好相似度高的商品推荐给用户。CB方法有如下的优点：1.用户与用户之间是无关联的：各个用户的喜好特点是根据其历史特性来获得，因此与其他用户是无关的，这一点与协同过滤算法(CollaborativeFiltering，CF)不同，CF算法需要利用其他用户人的数据。CB方法的特点使得无论商家或用户对商品如何造假，都不会改变用户的个人兴趣。2.可解释性强：当系统给用户推荐某一类商品时，我们可以向用户解释，由于该商品符合用户的潜在兴趣，所以才会推荐给用户。

第二章相关研究技术和基础理论知识11图2-2LDA模型对于文档集中的每一篇文档，其生成过程如图2-3所示。图2-3LDA生成过程以上对LDA做简要的叙述，接下来将简要介绍下LDA模型中涉及到的理论知识。2.3.1二项分布和Beta分布LDA的思想是基于贝叶斯模型的，贝叶斯模型涉及到先验分布、后验分布和似然函数。贝叶斯学派的思想：先验分布+似然=后验分布。对于似然函数，可以用二项分布(BinomialDistribution)来表示如公式(2.1)所示：Binom(|,)(1)knknknpppk(2.1)其中的p代表掷硬币正面朝上的次数，n为掷硬币的总次数。在贝叶斯学派中如果先验分布和后验分布属于同一个分布，则称先验分布和后验分布为共轭分布，并且先验分布称为似然函数的共轭先验。Beta分布是BinomialDistribution的共轭分布，Beta分布的表达式如公式(2.2)所示：

【参考文献】：
期刊论文
[1]LBSN中基于社区联合聚类的协同推荐方法[J]. 龚卫华,金蓉,裴小兵,梅建萍.  计算机研究与发展. 2019(11)
[2]一种基于矩阵分解的上下文感知POI推荐算法[J]. 彭宏伟,靳远远,吕晓强,王晓玲.  计算机学报. 2019(08)
[3]基于位置社会网络的双重细粒度兴趣点推荐[J]. 廖国琼,姜珊,周志恒,万常选.  计算机研究与发展. 2017(11)
[4]一种改进的偏好融合组推荐方法[J]. 胡川,孟祥武,张玉洁,杜雨露.  软件学报. 2018(10)
[5]基于用户签到行为的兴趣点推荐[J]. 任星怡,宋美娜,宋俊德.  计算机学报. 2017(01)

硕士论文
[1]基于地理社交因素和分类信息的地点推荐算法研究与实现[D]. 张朝辉.北京邮电大学 2018
[2]基于排序学习的兴趣点推荐系统设计与实现[D]. 申鹏.北京邮电大学 2018



本文编号：3610701